[發明專利]基于度量學習的圓形硯臺質量檢測方法

在審

• 申請號: 201911156827.0
• 申請日: 2019-11-22
• 公開（公告）號: CN110866915A
• 公開（公告）日: 2020-03-06
• 發明（設計）人: 陳本海;陳世澤
• 申請（專利權）人: 鄭州智利信信息技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/187;G06T7/13
• 代理公司: 鄭州芝麻知識產權代理事務所(普通合伙) 41173
• 代理人: 董曉勇

本發明公開了一種基于度量學習的圓形硯臺質量檢測方法。包括：對相機獲取的圓形硯臺圖像進行預處理；對預處理結果進行連通域檢測，確定過濾規則，對硯臺連通域過濾；對過濾后的硯臺連通域作最小外接矩形，摳取單個硯臺輪廓圖像；生成標準圓遮罩，將標準圓遮罩嵌入單個硯臺輪廓圖像，得到內嵌標準圓的硯臺輪廓圖像；對內嵌標準圓的硯臺輪廓圖像進行極坐標轉換，得到極坐標下的待評估硯臺圖像；對待評估硯臺圖像中外側輪廓進行波動分析，根據波動程度評估硯臺質量是否合格；訓練深度卷積神經網絡，實現硯臺質量自動檢測。利用本發明，可以實現智能化的圓形硯臺質量檢測，降低人工成本，提高質量檢測效率和精度。

技術領域

本發明涉及深度學習、圖像識別技術領域，具體涉及一種基于度量學習的圓形硯臺質量檢測方法。

背景技術

傳統的圓形硯臺質檢一般為千分表檢測，稱重檢測，甚至有些依舊是人力單個檢測，無論是硯臺流程間的檢測還是最后的質檢主要還是人工檢測，這些方式不僅對人力資源是種極大的浪費，而且面對大量繁重的工作量，極易導致人眼疲勞，檢測注意力不集中，以及造成漏檢誤檢現象，質檢質量亦無法保證，會直接導致生產效率低下，企業的效益在于銷量和產量，質檢效率太低直接約束了產量提升。

而基于機器視覺的系統通常含有多種手工設計參數，且需要專用光源等復雜設備，對于快速、小批量的硯臺產業而言不適用，且調試成本高、維護成本高，變相地提高了生產成本，實用性較差。現有圓形硯臺質量檢測評估技術存在人工成本高、檢測效率低、檢測精度低的問題，同時，由于機器視覺系統需要光源、光照環境魯棒性差的特性導致引入自動化檢測設備進一步提高生產成本。

在人工智能發展越來越快的今天，基于度量學習的深度神經網絡已經解決了多種度量問題，常見的有人臉識別，行人重識別等，其主要原理是訓練時提供樣本之間的距離，而網絡自身在訓練中實現對應的特征向量提取。

對于硯臺這種高質量、小批量但人工效率低的產業而言。實現質量的智能度量，使圓形硯臺的質檢流程化、智能化，提高檢測效率和檢測精度，是促進傳統工業向智能制造轉型面臨的亟需解決的問題。

發明內容

本發明提供了一種基于度量學習的圓形硯臺質量檢測方法，基于樣本自動標注生成用于自動訓練深度卷積神經網絡的數據集，根據數據集訓練得到端到端的質量檢測網絡，實現智能的流程化的圓形硯臺質量檢測，最終降低人工成本，同時檢測效率更高，檢測精度更高。

一種基于度量學習的圓形硯臺質量檢測方法，該方法包括：

步驟一，對相機獲取的圓形硯臺圖像進行預處理，獲得去噪硯臺圖像；

步驟二，對去噪硯臺圖像進行連通域檢測，得到硯臺連通域，根據標準規格硯臺的尺度參數確定過濾規則，對硯臺連通域過濾；

步驟三，對過濾后的硯臺連通域作最小外接矩形，根據最小外接矩形摳取圖像，得到單個硯臺輪廓圖像；

步驟四，根據單個硯臺輪廓圖像以及硯臺連通域的最小外接圓，生成標準圓遮罩，將標準圓遮罩嵌入單個硯臺輪廓圖像，得到內嵌標準圓的硯臺輪廓圖像；

步驟五，對內嵌標準圓的硯臺輪廓圖像進行極坐標轉換，得到極坐標下的待評估硯臺圖像；

步驟六，對待評估硯臺圖像中外側輪廓進行波動分析，生成外側輪廓的波動程度衡量指標，根據波動程度衡量指標評估硯臺質量是否合格；

步驟七，基于評估結果對圓形硯臺圖像進行標注，標注后的圓形硯臺圖像作為樣本數據集，訓練深度卷積神經網絡，實現硯臺質量的自動檢測。

步驟一具體為：

據圓形硯臺圖像的RGB數據，對原始圖像各通道分量做最強明度提取，得到硯臺灰度圖像；

對硯臺灰度圖像進行閾值化處理，得到二值化的硯臺灰度圖像；